PREVISÃO DE MEDIDA DE PESO BOVINO UTILIZANDO REDES NEURAIS CONVOLUCIONAIS

Carlos Barbosa; José Lucas  Gomes; Paulo Eduardo  Cardoso Andrade; Renan Guilherme Nespolo

doi:10.31510/infa.v21i2.2044

Authors

Carlos Barbosa FATEC Jorge Caram Sabbag - Bebedouro
José Lucas Gomes College of technology of the state of São Paulo - FATEC Bebedouro , Faculdade do Estado de São Paulo - Fatec Bebedouro https://orcid.org/0009-0004-3980-6666 (unauthenticated)
prof. MsC. Paulo Eduardo Cardoso Andrade College of technology of the state of São Paulo - FATEC Bebedouro , Faculdade do Estado de São Paulo - Fatec Bebedouro https://orcid.org/0009-0007-9884-5093 (unauthenticated)
prof. MsC. Renan Guilherme Nesplo College of technology of the state of São Paulo - FATEC Bebedouro , Faculdade do Estado de São Paulo - Fatec Bebedouro https://orcid.org/0000-0002-0453-497X (unauthenticated)

DOI:

https://doi.org/10.31510/infa.v21i2.2044

Keywords:

Cattle, Convolutional Neural Networks, Weight Predicting, Animal Stress

Abstract

This study presents a solution for predicting weight measurements in cattle through machine learning techniques using images. Weighing cattle is crucial for optimizing production and ensuring animal welfare, but the traditional method can cause stress to the animal. The aim is to develop a model based on convolutional neural networks to estimate the weight of cattle through image analysis, minimizing the need for direct handling. The main contributions include the proposal of a convolutional neural network model, the comparison of different image filters (RGB and Grayscale), and the analysis of various perspectives of the cattle (lateral and frontal). The expected results seek to validate the efficiency of the proposed model and contribute to more sustainable and efficient practices in livestock farming.

Downloads

Download data is not yet available.

References

ALVARENGA, S. R. de. Bem-estar animal e sua influência na bovinocultura de corte. 2022. Trabalho de Conclusão de Curso (Graduação em Zootecnia) – Pontifícia Universidade Católica de Goiás, Escola de Ciências Médicas e da Vida, Goiânia, 2022. Disponível em: <https://repositorio.pucgoias.edu.br/jspui/handle/123456789/4417>. Acesso em: 28 maio. 2024.

ANDREW, W. et al. Visual identification of individual Holstein-Friesian cattle via deep metric learning. Computers and Electronics in Agriculture, v. 185, p. 106133, 2021. DOI: https://doi.org/10.1016/j.compag.2021.106133

CHARNIAK, E. Introduction to Deep Learning. 1. ed. [S.l.: s.n.]: The MIT Press, 2019. ISBN 0262039516; 9780262039512.

HAYKIN, S. Redes neurais: princípios e prática. 2. ed. Bookman Editora, 2001.

MELO, A. F. et al. Fatores que influenciam na qualidade da carne bovina: Revisão. Publicações em Medicina Veterinária e Zootecnia, v. 10, n. 10, p. 785- 794, 2016. DOI: https://doi.org/10.22256/pubvet.v10n10.785-794

MURPHY, K. P. Machine Learning: A Probabilistic Perspective. 1. ed. [S.l.: s.n.]: The MIT Press, 2012. (Adaptive Computation and Machine Learning). ISBN 9780262018029.

ORSINI, H. B; FERNANDES, E. Fisiopatologia do Estresse em Animais Selvagens em Cativeiro e suas Implicações no Comportamento e Bem-estar - revisão de literatura. Revista do Instituto Ciência Saúde, v. 24, n. 1, p. 7-13, 2006.

PERNEEL, Maarten et al. Dynamic multi-pose, multi-viewpoint re-identification of Holstein-Friesian cattle. In: Proceedings of the 3rd Workshop on CV4Animals: Computer Vision for Animal Behavior Tracking and Modeling. 2023.

ROSA, J. P; Endocrinologia do estresse e Importância no Bem-estar Animal. Universidade Federal do Rio Grande do Sul, 2003.

SANTOS, E. O. Metabolismo do Estresse: impactos na saúde e na produção animal. Universidade Federal do Rio Grande do Sul, 2005.

SENAR, C. Bovinocultura: manejo e alimentação de bovinos de corte em confinamento. 2018. Disponível em: <https://www.cnabrasil.org.br/assets/arquivos/232- BOVINOCULTURA.pdf>.

ZUARDI, A.W. Fisiologia do estresse e sua influência na saúde. Programa de pós-graduação em Ciências da Saúde na UFU. Uberlândia, 2015.